Hanehalkı yoksulluk düzeyinin makine öğrenmesi ve yapay sinir ağları ile tahmini: Türkiye örneği
| dc.authorid | 0000-0002-6994-5162 | |
| dc.contributor.advisor | Köktaş, Altuğ Murat | |
| dc.contributor.author | Abacı, Beyzanur | |
| dc.date.accessioned | 2024-09-24T06:55:10Z | |
| dc.date.available | 2024-09-24T06:55:10Z | |
| dc.date.issued | 2024 | |
| dc.date.submitted | 2024 | |
| dc.department | NEÜ, Sosyal Bilimler Enstitüsü, Maliye Anabilim Dalı | |
| dc.description | Yüksek Lisans Tezi | |
| dc.description.abstract | Hanehalkı yoksulluk düzeyinin tahmini, bir ülkenin sosyo-ekonomik durumunu anlamaya yardımcı olmaktadır. Bu tahminler, ülkedeki yoksulluğun ne kadar yaygın olduğunu ve hangi bölgelerde daha fazla olduğunu gösterir. Bu bilgi, ülkede yoksulluğu azaltmak için yapılacak çalışmaların, geliştirilecek politikaların daha etkili olmasını sağlayabilir. Ayrıca, hanehalkı yoksulluk düzeyinin tahmini, ülkedeki insanların yaşam koşulları hakkında da bilgi vermektedir. Bu bilgi, ülkenin sosyal ve ekonomik gelişimine ilişkin önemli bir göstergedir. Makine öğrenmesi algoritmalarının kullanılması, bu tahminleri yaparken daha doğru sonuçlar elde edilmesini sağlamaktadır. Bu algoritmalar, verileri analiz ederek benzer özelliklere sahip hanehalklarının yoksulluk düzeyini tahmin edebilmektedir. Bu sayede, hanehalkı yoksulluk düzeyinin tahminlerinde daha yüksek bir doğruluk oranına ulaşılabilmektedir. Çalışma kapsamında TÜİK tarafından hazırlanan Hanehalkı Bütçe Anketi 2019 verisi ile 11,521 hanenin sosyo-ekonomik durumları ve yaşanılan hane değişkenleri üzerinden bir yoksulluk düzeyi sınıflandırma çalışması yapılmıştır. Çalışmada 9 adet makine öğrenmesi modeli ve 1 adet yapay sinir ağları kullanılmış olup, elde edilen çıktıların karşılaştırmaları yer almaktadır. LightGBM, doğruluk ve F1 skoru açısından en iyi performansı sergilerken, eğitim süresi de oldukça makul düzeydedir. Bu bulgular, yoksulluk sınıflandırması için en uygun algoritmanın LightGBM olduğunu göstermektedir. Bu süreçte, özellik önemliliği analizi, modellerin performansını artırmada ve yorumlana bilirliğini sağlamada kritik bir rol oynamaktadır. Araştırmada seçilen algoritmaların özellik önemliliği incelendiğinde, en sık tekrar eden özelliğin izafi kira, hanede yapılan tasarrufları değerlendirme şekli ve hanede kredi kartı kullanan fert olup olmadığını ölçen değişkenin olduğu görülmektedir. | |
| dc.description.abstract | Estimating the household poverty level helps to understand the socio-economic situation of a country. These estimates show how widespread poverty is in a country and in which regions it is more prevalent. This information can make the studies and policies to be developed to reduce poverty in the country more effective. Moreover, the estimation of household poverty level also provides information about the living conditions of people in the country. This information is an important indicator of the social and economic development of the country. The use of machine learning algorithms provides more accurate results in making these estimates. By analyzing the data, these algorithms can estimate the poverty level of households with similar characteristics. In this way, a higher accuracy rate can be achieved in estimating the household poverty level. Within the scope of the study, a poverty level classification study was conducted based on the Household Budget Survey 2019 data prepared by TurkStat and the socio-economic status and household variables of 11,521 households. In the study, 9 machine learning models and 1 artificial neural network were used and comparisons of the outputs obtained are included. LightGBM performs the best in terms of accuracy and F1 score, while the training time is quite reasonable. These findings suggest that LightGBM is the most suitable algorithm for poverty classification. In this process, feature importance analysis plays a critical role in improving the performance and interpretability of the models. When the feature significance of the algorithms selected in the study is analyzed, it is seen that the most frequently recurring feature is the relative rent, the way of evaluating household savings and the variable measuring whether there is a credit card user in the household. | |
| dc.identifier.citation | Abacı, B. (2024). Hanehalkı yoksulluk düzeyinin makine öğrenmesi ve yapay sinir ağları ile tahmini: Türkiye örneği. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Sosyal Bilimler Enstitüsü Maliye Anabilim Dalı, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12452/18788 | |
| dc.language.iso | tr | |
| dc.publisher | Necmettin Erbakan Üniversitesi, Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Hanehalkı | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | Yapay Sinir Ağları | |
| dc.subject | Yoksulluk | |
| dc.subject | Household | |
| dc.subject | Machine Learning | |
| dc.subject | Artificial Neural Networks | |
| dc.subject | Poverty | |
| dc.title | Hanehalkı yoksulluk düzeyinin makine öğrenmesi ve yapay sinir ağları ile tahmini: Türkiye örneği | |
| dc.title.alternative | Estimation of household poverty level via machine learning and artificial neural networks: The case of Türkiye | |
| dc.type | Master Thesis |
